[发明专利]一种微地震资料噪声压制方法及系统、存储介质和地震信息处理设备

权利要求书

1.一种基于时间注意力机制互信息生成对抗网络的微地震资料噪声压制方法，其特征在于所述方法包括如下步骤：

步骤1：利用检波器对目标区块的微地震资料进行采集，获取带有噪声的微地震资料X与无噪声的微地震资料

步骤2：将步骤1采集到的微地震资料按照8:1:1的比例分为训练集、验证集、测试集；训练集表示为其中x_k为第k个训练道集样本，共K道训练样本；验证集表示为其中x_a为第a个验证道集样本，共A道验证样本；测试集表示为其中x_b为第b个测试道集样本，共B道测试样本；所述训练集、验证集和测试集的采样频率为f；

步骤3：提取经由步骤1采集到的的结构语义特征集合其中，c_d∈R^H×1为第d个微地震结构语义向量，长度为H；

步骤4：对随机噪声分布进行采样，采样频率为f，并获取随机噪声向量集合其中z_m∈R^N×1为第m个随机噪声向量，由N个采样点组成；

步骤5：将步骤3中得到的与步骤4得到的进行维度合并获得特征向量其中v_u∈R^(H+N)×1为第u个合并特征向量；

步骤6：利用基于时间注意力机制互信息生成对抗网络对训练集数据进行学习并输出训练完成的微地震噪声压制预训练模型，具体路径如下：

本步骤采用的微地震噪声压制模型包括生成模型、判别模型和分离模型；

生成模型由时间注意力模块与生成模块构成，时间注意力模块具体定义为：

其中，时间注意力模块的输入为经由步骤5获得的v_u,j；时间注意力模块的输出为权重α_u；σ_t代表tanh激活函数；代表卷积核的第j个通道，卷积核尺寸为Z′×1；为偏置项；

生成模块由Dense层、Batch Normalization层、ReLU层、Deconv层、Tanh层构成；

判别模型由时间注意力模块和判别模块两部分构成，时间注意力模块具体定义为：

其中，时间注意力模块的输入为经由步骤2获得的时间注意力模块的输出为权重β_k；σ_s代表softmax激活函数；代表卷积核的第j个通道，卷积核尺寸为F′×1；为偏置项；

判别模块由Dense层、Batch Normalization层、LeakyReLU层、Conv层、Softmax层构成；

分离模型由时间注意力模块和分离模块两部分构成，时间注意力模块定义为：

其中，时间注意力模块的输入为经由生成模型获得的G(z,c)_h,j；时间注意力模块的输出为权重γ_h；σ_sig代表sigmoid激活函数；代表卷积核的第j个通道，卷积核尺寸为Y′×1；为偏置项；

分离模块由Dense层、Batch Normalization层、LeakyReLU层、Conv层、Sigmoid层构成；

将步骤5获得的输入到生成模型中得到生成的无噪微地震资料集合；将生成的无噪微地震资料集合和经由步骤2得到的分别输入到判别模型中，对判别模型进行训练并将梯度反传给生成模型；将生成的无噪微地震资料集合输入到分离模型中提取结构语义特征，计算生成的无噪微地震资料与提取的结构语义特征之间的互信息并对分离模型进行训练，并将梯度反传给生成模型；最后当达到最大迭代次数时，即可得到用于微地震噪声压制的预训练模型；

步骤7：将经由步骤2获得的验证集数据输入到经由步骤6中得到的噪声压制预训练模型中，利用信噪比对训练好的噪声压制预训练模型的性能进行验证，并获得微地震噪声压制模型最优超参数组合；

步骤8：利用经由步骤2获得的测试集数据对经由步骤7中得到的微地震噪声压制模型最优超参数组合进行测试，并获得最终的微地震资料噪声压制模型；

步骤9：将现场微地震资料输入到经由步骤8得到的最终的微地震噪声压制模型中获得去噪后的微地震资料，实现微地震资料噪声压制。